@article{wittenberg_spss_2026}

@article{wittenberg_spss_2026,
  title    = {SPSS-Auswertung: Anleitung},
  author   = {Wittenberg, Julius},
  year     = {2026},
  category = {Methodik und wissenschaftliches Arbeiten},
  section  = {§ 3.13},
  keywords = {SPSS, Statistik, Regression, ANOVA, Interpretation}
}

Kapitel III · § 3.13 · Methodik und wissenschaftliches Arbeiten · 3 Min Lesezeit

SPSS Auswertung: Anleitung für die statistische Analyse

Die wichtigsten statistischen Verfahren in SPSS – erklärt für Studierende

Julius Wittenberg

2026-03-08 · Lesezeit: ca. 3 Minuten

Abstract

SPSS ist das meistgenutzte Statistikprogramm in den Sozial- und Wirtschaftswissenschaften. Dieser Leitfaden erklärt die wichtigsten Verfahren für Abschlussarbeiten: von der deskriptiven Statistik über t-Tests und ANOVA bis zur Regressionsanalyse. Mit Hinweisen zur korrekten Interpretation und typischen Fehlern.

Schlüsselwörter: SPSS Auswertung · SPSS Anleitung · Statistische Auswertung Bachelorarbeit · t-Test SPSS · Regression SPSS · ANOVA SPSS · Korrelation SPSS

Bevor Sie anfangen: Datenaufbereitung

Bevor Sie statistische Analysen durchführen, müssen Ihre Daten sauber sein. Häufige Schritte der Datenaufbereitung in SPSS:

Variablen definieren: Messebene (nominal, ordinal, metrisch) korrekt einstellen. Fehlende Werte definieren.
Datenbereinigung: Ausreißer identifizieren, Plausibilitätsprüfung, fehlende Werte behandeln (listenweiser Ausschluss, Imputation)
Skalen bilden: Items zu Skalen zusammenfassen, Reliabilität prüfen (Cronbachs Alpha ≥ .70 als Faustregel)
Normalverteilung prüfen: Kolmogorov-Smirnov- oder Shapiro-Wilk-Test, Histogramme, Q-Q-Plots

Praxis-Tipp 1.1.Dokumentieren Sie jeden Schritt der Datenaufbereitung. Ihr Methodikteil muss nachvollziehbar machen, wie Sie von den Rohdaten zu Ihren Analysedaten gekommen sind.

Deskriptive Statistik

Die deskriptive Statistik beschreibt Ihre Stichprobe und Ihre Variablen. In SPSS: Analysieren → Deskriptive Statistiken → Häufigkeiten / Deskriptive Statistiken.

Für metrische Variablen: Mittelwert (M), Standardabweichung (SD), Minimum, Maximum, ggf. Median und Schiefe.

Für kategoriale Variablen: Absolute und relative Häufigkeiten (n, %).

In des Manuskripts: Stellen Sie die deskriptiven Ergebnisse in einer Tabelle dar. Beschreiben Sie die Stichprobe (N, Geschlechterverteilung, Alter, relevante Merkmale) und die Verteilung der Hauptvariablen.

Zusammenhänge: Korrelation

Die Korrelation misst den linearen Zusammenhang zwischen zwei metrischen Variablen. In SPSS: Analysieren → Korrelation → Bivariat. Ergebnis: Pearson-Korrelationskoeffizient (r), Signifikanzwert (p).

Interpretation: r = .10 schwach, r = .30 mittel, r = .50 stark (nach Cohen). Achtung: Korrelation ≠ Kausalität. Ein signifikanter Zusammenhang bedeutet nicht, dass X Y verursacht.

Für ordinale Daten: Spearman-Rangkorrelation (rₛ) statt Pearson.

Gruppenvergleiche: t-Test und ANOVA

t-Test für unabhängige Stichproben

Vergleicht die Mittelwerte zweier Gruppen. Beispiel: Unterscheidet sich die Arbeitszufriedenheit zwischen Frauen und Männern? In SPSS: Analysieren → Mittelwerte vergleichen → T-Test bei unabhängigen Stichproben.

Voraussetzungen: Metrische abhängige Variable, zwei unabhängige Gruppen, Normalverteilung (oder N > 30), Varianzhomogenität (Levene-Test).

Einfaktorielle ANOVA

Vergleicht Mittelwerte von drei oder mehr Gruppen. In SPSS: Analysieren → Mittelwerte vergleichen → Einfaktorielle ANOVA. Bei signifikantem Ergebnis: Post-hoc-Tests (Bonferroni, Tukey) zeigen, welche Gruppen sich unterscheiden.

Non-parametrische Alternativen

Wenn Normalverteilung nicht gegeben: Mann-Whitney-U-Test (statt t-Test), Kruskal-Wallis-Test (statt ANOVA).

Regressionsanalyse

Die lineare Regression prüft, ob eine oder mehrere unabhängige Variablen (Prädiktoren) eine abhängige Variable vorhersagen. In SPSS: Analysieren → Regression → Linear.

Zentrale Kennwerte: R² (erklärte Varianz), B (unstandardisierter Koeffizient), β (standardisierter Koeffizient), t-Wert, p-Wert. Die standardisierten β-Koeffizienten zeigen die relative Stärke des Einflusses.

Voraussetzungen prüfen: Linearität, Normalverteilung der Residuen, Homoskedastizität, keine Multikollinearität (VIF < 5), keine Autokorrelation (Durbin-Watson ≈ 2).

Praxis-Tipp 5.1.Berichten Sie immer die Voraussetzungsprüfungen. Prüfer achten darauf. Ein perfektes Regressionsmodell ohne Voraussetzungsprüfung ist ein häufiger Punktabzug.

Ergebnisse korrekt berichten

Statistische Ergebnisse werden nach einem festen Format berichtet (APA-Stil):

t-Test: t(df) = X.XX, p = .XXX, d = X.XX
ANOVA: F(df₁, df₂) = X.XX, p = .XXX, η² = .XX
Korrelation: r = .XX, p = .XXX
Regression: β = .XX, t(df) = X.XX, p = .XXX; R² = .XX

Runden Sie p-Werte auf drei Dezimalstellen. Schreiben Sie p < .001 statt p = .000 (SPSS gibt .000 aus, aber p ist nie exakt null). Effektstärken immer mit angeben.

Zusammenfassung.Daten aufbereiten und dokumentieren · Deskriptive Statistik als Basis · Korrelation für Zusammenhänge · t-Test/ANOVA für Gruppenvergleiche · Regression für Vorhersagen · Voraussetzungen immer prüfen · Ergebnisse im APA-Format berichten · Effektstärken nicht vergessen